今天給大家介紹一篇北京派和科技股份有限公司合作的壓電驅動器系統建模工作。本文探索了結合小波變換、卷積層和門控循環單元在遲滯特性和低阻尼振動特性建模中的可行性，并通過實驗驗證了其建模精度及未參與訓練數據上的泛化能力。
論文標題：Modeling nonlinear behavior of piezoelectric actuators using improved WT-GRU neural network
下載地址：https://journals.sagepub.com/doi/10.1177/1045389X241297522
研究背景
遲滯、低阻尼振動以及兩者耦合嚴重影響了壓電驅動系統的精確控制和高效率應用。這篇文章著重解決低阻尼振動與遲滯的耦合問題，探索它們對微型LED芯片巨量轉移系統的影響。近年來，深度學習技術的快速發展為建模和控制算法提供了新的可能性。文章結合小波變換、卷積層和門控循環單元改進深度神經網絡。下面給大家詳細介紹一下改進WT-GRU的實現方法。
實現細節
改進的WT-GRU模型由以下關鍵部分構成：
1、小波變換層（Wavelet transform layer）：用于捕捉信號中的時頻信息，從而增強對遲滯和低阻尼振動特性的建模能力。
2、卷積層（Convolutional layer）：通過局部感受野和權值共享機制，提取高效的特征表示。
3、門控循環單元（Gated Recurrent Unit, GRU）：利用門控機制學習長期依賴信息，有助于捕捉系統動態特性。
改進WT-GRU模型通過多層架構設計，有效地融合了時頻分析和序列建模能力，從而在模擬復雜非線性系統時展現出優異性能。
實驗效果
通過與Hammerstein、LSTM、EMD-LSTM和LSTMseq2seq模型進行對比，改進的WT-GRU模型在多個評估指標（如平均絕對誤差、均方根誤差和決定系數）上均表現優異，尤其是在捕捉非線性系統動力學方面。
模型擬合能力對比: (a) hammerstein, (b) LSTM, (c) EMD-LSTM, (d) LSTMseq2seq, (e) improved WT-GRU
